Bioreactors and molecular analysis in berry crop micropropagation – A review
Notice bibliographique
Résumé
Debnath, S. C. 2011. Bioreactors and molecular analysis in berry crop micropropagation – A review. Can. J. Plant Sci. 91: 147–157. While berry fruits have long enjoyed huge popularity among consumers, tremendous progress in plant tissue culture, resulting in great advances in micropropagation, has occurred. Of particular significance has been the evolution of the technology permitting multiplication of berry plants in bioreactors containing liquid media. Although automation of micropropagation in bioreactors has been advanced as a possible way of reducing propagation cost, optimal plant production depends upon better understanding of physiological and biochemical responses of plant to the signals of culture microenvironment and an optimization of specific physical and chemical culture conditions to control the morphogenesis of berry plants in liquid culture systems. Clonal fidelity can be a serious problem, and molecular strategies have been developed in order to reduce the variation to manageable levels. Molecular markers have been introduced to tissue culture research and can potentially be used in various facets of pertinent studies with berry crops. The paper focuses on bioreactor systems combined with semi-solid media used for in vitro culture of berry crops, cultivation of micropropagules and employment of molecular markers in micropropagated plants for the assessment of genetic fidelity, uniformity, stability and trueness-to-type among donor plants and tissue culture regenerants. The pertinent literature is reviewed and the relative merits and shortcomings of the various molecular markers applied are presented with an emphasis on the nature of tissue culture-induced variation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».